4. Индуктивное и дедуктивное моделирование

С какими бы моделями вы ни работали, описательными или предписательными, есть два метода формулирования моделей. Они включают в себя те же логические подходы, что используются в любом научном исследовании. Первый, называемый индуктивным методом, основан на движении от конкретных элементов к общему утверждению.

В этом случае эмпирические пространственные данные исследуются путем проб и ошибок. Различные покрытия сравниваются и проверяются на соответствие с элементами других покрытий для выявления сходных пространственных распределений или ассоциаций, которые могли бы указать на происходящий в области исследования процесс. Пример индуктивного метода не из области ГИС: допустим, вы отправились в магазин, чтобы приобрести чего-нибудь для приготовления обеда. Вы делаете множество покупок, выбирая каждую потому, что она вам нравится или потому, что вы думаете, что неплохо было бы иметь это сегодня. Вернувшись домой, вы обнаруживаете, что, хотя все приобретенное съедобно, вам трудно преобразовать это в нечто похожее на обед. Вы купили достаточно пищи, чтобы заполнить меню, но вы собираетесь приготовить блюда, которые не включают некоторые из приобретенных товаров. Эти вещи оказались ненужным непосредственно в данный момент, хотя они и могут пригодиться в дальнейшем.

Как показывает приведенный пример, метод проб и ошибок может использоваться для внесения порядка в набор элементов, полученных без тщательного планирования. То же самое можно сказать и о существующих БД ГИС. Если имеется достаточно подходящих показателей, и если есть корреляции между показателями различных покрытий, то вполне возможно создание моделей, которые будут полезны для принятия некоторых решений. Возможно, вы обнаружите, что покрытия, на создание которых вы потратили сотни часов, так и не использованы. Многие подобные проекты внесли свой вклад в научные исследования, однако из-за недостаточного проектирования такой подход к картографическому моделированию оказывается неэффективным для многих коммерческих приложений. В то время как наука пытается только лишь исследовать данные, приложения реальной жизни часто гораздо более определенны в своих целях и поэтому должны продумываться скорее дедуктивным образом.

По сравнению с индуктивными дедуктивные модели движутся в противоположном направлении.

То есть, вы начинаете с конкретного рецепта или формулировки, относящейся к вполне определенным вопросам. В случае с приобретением продуктов, вы выбираете блюдо, которое будете готовить, определяете необходимые ингредиенты и покупаете только их. Затем вы их объединяете, так что у вас не остается ненужных компонентов. Преимущества дедуктивного подхода очевидны, - вам не приходится тратить время и деньги на создание ненужных покрытий, благодаря чему вы можете сконцентрироваться на подготовке только действительно нужных данных.

5. Составление блок-схем моделей

Какой бы подход вы ни использовали – дедуктивный или индуктивный – очень полезной методикой, помогающей сформулировать модель и определить нужные покрытия, является составление блок-схемы модели. Оно требует обособления каждого элемента (покрытия), который должен использоваться в вашей модели. Каждое покрытие должно иметь конкретную, уникальную тему, представляющую один фактор или группу факторов в вашей модели.

Блок-схема позволяет определить, имеете ли вы все необходимые покрытия, а также проверить единственность каждого покрытия. Если есть некоторые избыточные покрытия, представляющие уже имеющиеся темы, то вы сможете сократить их и уменьшить общее время ввода.

На рисунке 1.30 изображена блок-схема простой дедуктивной картографической модели, цель которой – определить наилучшее место для горного домика. Задача исследования вполне ясна, и по меньшей мере четыре аспекта должны учитываться при принятии решения – инфраструктура, административно-правовые факторы, эстетические факторы и, наконец, физические факторы.

Есть и другие подходы, например, основанные на статистическом методе моделирования. Скажем, можно попытаться предсказать объем лесозаготовок на основе дассиметрических методов с использованием коэффициентов уравнения регрессии для изменения значений полигонов. В данной модели независимыми переменными (покрытиями или картами) являются процент уклона, диаметр деревьев, высота деревьев, объем деревьев и процент дефектных деревьев. Каждый фактор имеет измеримое влияние на предсказываемый объем лесозаготовки, которое отражается коэффициентами регрессии. Перемножая каждую независимую переменную на соответствующий коэффициент, модель создает взвешенные покрытия, которые при сложении друг с другом и прибавлении некоторой константы дают искомый объем заготовок. Поскольку эта модель использует проверенные, статистически значимые коэффициенты для каждой независимой переменной, результаты оказываются точными и легко проверяемыми.

Рисунок 1.30 ‑ Блок-схема простой картографической модели горного домика. Показаны элементы модели и промежуточные покрытия для выработки окончательного решения.